5. fejezet. Tan, Steinbach, Kumar Bevezetés az adatbányászatba előadás-fóliák fordította Ispány Márton

Átírás

1 Adatbányászat: Osztályozás További módszerek 5. fejezet Tan, Steinbach, Kumar Bevezetés az adatbányászatba előadás-fóliák fordította Ispány Márton

2 Logók és támogatás A tananyag a TÁMOP /1/A számú Kelet-magyarországi Informatika Tananyag Tárház projekt keretében készült. A tananyagfejlesztés az Európai Unió támogatásával és az Európai Szociális Alap társfinanszírozásával valósult meg.

3 Osztályozási szabályok,,ha akkor szabályok összességével osztályozzuk a rekordokat Szabály: ahol (Feltétel) y Feltétel attributumok konjunkciója y osztály címke Baloldal: a szabály feltétele, előzménye Jobboldal: a szabály következménye Példák oszályozási szabályokra: (Vértípus=Meleg) (Tojásrakás=Igen) Madarak (Adózott jövedelem < 50K) (Visszatérítés=Igen) Adóelkerülés=Nem

4 Példa osztályozási szabályra Name Blood Type Give Birth Can Fly Live in Water Class human warm yes no no mammals python cold no no no reptiles salmon cold no no yes fishes whale warm yes no yes mammals frog cold no no sometimes amphibians komodo cold no no no reptiles bat warm yes yes no mammals pigeon warm no yes no birds cat warm yes no no mammals leopard shark cold yes no yes fishes turtle cold no no sometimes reptiles penguin warm no no sometimes birds porcupine warm yes no no mammals eel cold no no yes fishes salamander cold no no sometimes amphibians gila monster cold no no no reptiles platypus warm no no no mammals owl warm no yes no birds dolphin warm yes no yes mammals eagle warm no yes no birds R1: (Élveszülő = nem) (Tud repülni = igen) Madár R2: (Élveszülő = nem) (Vízben él = igen) Hal R3: (Élveszülő = igen) (Vér = meleg) Emlős R4: (Élveszülő = nem) (Tud repülni = nem) Hüllő R5: (Vízben él = néha) Kétéltű

5 Osztályozási szabályok alkalmazása Az r szabály lefedi az x esetet ha az eset attributumai kielégítik a szabály feltételeit. R1: (Élveszülő = nem) (Tud repülni = igen) Madár R2: (Élveszülő = nem) (Vízben él = igen) Hal R3: (Élveszülő = igen) (Vér = meleg) Emlős R4: (Élveszülő = nem) (Tud repülni = nem) Hüllő R5: (Vízben él = néha) Kétéltű Name Blood Type Give Birth Can Fly Live in Water Class hawk warm no yes no? grizzly bear warm yes no no? Az R1 szabály lefedi a sólyom => madár szabályt Az R3 szabály lefedi a grizzly => emlős szabályt

6 10 Lefedettség és pontosság Egy szabály lefedettsége: Azon rekordok aránya, amelyek kielégítik a szabály feltételét. Egy szabály pontossága: Azon rekordok aránya, amelyek egyaránt kielégítik a szabály feltételét és következményét. Családi állapot Tid Visszatérités Jövedelem Osztály 1 Igen Nőtlen 125K Nem 2 Nem Házas 100K Nem 3 Nem Nőtlen 70K Nem 4 Igen Házas 120K Nem 5 Nem Elvált 95K Igen 6 Nem Házas 60K Nem 7 Ygen Elvált 220K Nem 8 Nem Nőtlen 85K Igen 9 Nem Házas 75K Nem 10 Nem Nőtlen 90K Igen (Állapot=Nőtlen) Nem Lefedettség = 40%, Pontosság = 50%

7 Hogy működnek az osztályozási szabályok? R1: (Élveszülő = nem) (Tud repülni = igen) Madár R2: (Élveszülő = nem) (Vízben él = igen) Hal R3: (Élveszülő = igen) (Vér = meleg) Emlős R4: (Élveszülő = nem) (Tud repülni = nem) Hüllő R5: (Vízben él = néha) Kétéltű Name Blood Type Give Birth Can Fly Live in Water Class lemur warm yes no no? turtle cold no no sometimes? dogfish shark cold yes no yes? A lemur kiváltja az R3 szabályt, így emlősnek osztályozzuk. A teknős egyaránt kiváltja az R4 és R5 szabályokat. A kutyahal cápa egyik szabályt sem váltja ki.

8 Osztályozási szabályok jellemzése Teljesen kizáró szabályok Egy osztályozó teljesen kizáró szabályokból áll, ha a szabályok függetlenek egymástól (a feltételek metszete üres). Minden rekordot legfeljebb egy szabály fed le. Kimerítő szabályok Egy osztályozó kimerítő lefedés, ha az attributum értékek minden lehetséges kombinációját tartalmazza a feltételekben. Minden rekordot lefed legalább egy szabály.

9 Döntési fáktól a szabályokig Classification Rules Yes NO Refund {Single, Divorced} Taxable Income No Marital Status < 80K > 80K {Married} NO (Refund=Yes) ==> No (Refund=No, Marital Status={Single,Divorced}, Taxable Income<80K) ==> No (Refund=No, Marital Status={Single,Divorced}, Taxable Income>80K) ==> Yes (Refund=No, Marital Status={Married}) ==> No NO YES A szabályok teljesen kizáróak és kimerítőek. A szabály halmaz pontosan annyi információt tartalmaz mint a a fa.

10 10 Szabályok egyszerűsítése Yes NO NO Refund {Single, Divorced} Taxable Income No Marital Status < 80K > 80K YES {Married} NO Tid Visszatérítés Családi állapot Jövedelem Csalás 1 Igen Nőtlen 125K Nem 2 Nem Házas 100K Nem 3 Nem Nőtlen 70K Nem 4 Igen Házas 120K Nem 5 Nem Elvált 95K Igen 6 Nem Házas 60K Nem 7 Igen Elvált 220K Nem 8 Nem Nőtlen 85K Igen 9 Nem Házas 75K Nem 10 Nem Nőtlen 90K Igen Kezdeti szabály: (Visszatérítés=Nem) (Állapot=Házas) Nem Egyszerűsített szabály: (Állapot=Házas) Nem

11 Az egyszerűsítés hatása A szabályok már nem lesznek teljesen kizáróak. Egy rekord egynél több szabályt is kiválthat. Megoldás? Szabályok rendezése Rendezetlen szabályok használjunk szavazási sémákat A szabályok már nem lesznek kimerítőek. Egy rekord egyetlen szabályt sem vált ki. Megoldás? Használjunk egy alapértelmezett osztályt.

12 Rendezett szabály halmazok A szabályokat prioritásuk szerint sorba rendezzük. Egy rendezett szabályhalmazt döntési listának nevezünk. Egy teszt rekordot inputként kap az osztályozó. A legelső osztályhoz rendeljük, amelyet kivált. Ha egyetlen szabályt sem vált ki, akkor az alapértelmezett osztályba kerül. R1: (Élveszülő = nem) (Tud repülni = igen) Madár R2: (Élveszülő = nem) (Vízben él = igen) Hal R3: (Élveszülő = igen) (Vér = meleg) Emlős R4: (Élveszülő = nem) (Tud repülni = nem) Hüllő R5: (Vízben él = sometimes) Kétéltű Name Blood Type Give Birth Can Fly Live in Water Class turtle cold no no sometimes?

13 Szabály rendező sémák Szabály alapú rendezés Az egyedi szabályokat minőségük alapján rendezzük. Osztály alapú rendezés Az egy osztályhoz tartozó szabályok együtt fordulnak elő. Rule-based Ordering (Refund=Yes) ==> No (Refund=No, Marital Status={Single,Divorced}, Taxable Income<80K) ==> No (Refund=No, Marital Status={Single,Divorced}, Taxable Income>80K) ==> Yes (Refund=No, Marital Status={Married}) ==> No Class-based Ordering (Refund=Yes) ==> No (Refund=No, Marital Status={Single,Divorced}, Taxable Income<80K) ==> No (Refund=No, Marital Status={Married}) ==> No (Refund=No, Marital Status={Single,Divorced}, Taxable Income>80K) ==> Yes

14 Osztályozási szabályok építése Közvetlen módszerek: Szabály kinyerés közvetlenül az adatokból. Példák: RIPPER, CN2, Holte 1R módszere. Közvetett módszerek: Szabály kinyerés más osztályozási módszerekből (pl. döntési fák, neurális hálók stb.). Példa: C4.5 szabályok.

15 Közvetlen módszer: Szekvenciális lefedés 1. Induljunk ki az üres szabályból. 2. Hozzunk létre egy szabályt a Learn-One-Rule függvény segítségével. 3. Távolítsuk el azokat a tanító rekordokat, amelyeket lefed a szabály. 4. Ismételjük a (2) és (3) lépést ameddig a megállási kritérium nem teljesül.

16 Példa szekvenciális lefedésre (i) Original Data (ii) Step 1

17 Példa szekvenciális lefedésre R1 R1 R2 (iii) Step 2 (iv) Step 3

18 A szekvenciális lefedés szempontjai Szabály építés Eset kizárás Szabály kiértékelés Leállási kritérium Szabály tisztítás

19 Szabály építés Két általános stratégia { } Yes: 3 No: 4 Refund=No, Status=Single, Income=85K (Class=Yes) Refund=No, Status=Single, Income=90K (Class=Yes) Refund= No Yes: 3 No: 4 Status = Single Yes: 2 No: 1 Status = Divorced Yes: 1 No: 0 Status = Married Yes: 0 No: 3... Income > 80K Yes: 3 No: 1 Refund=No, Status = Single (Class = Yes) (a) General-to-specific (b) Specific-to-general

20 Példák szabály építésre CN2 algoritmus: Induljunk ki az üres szabályból: {}. Bővítsük úgy, hogy közben az entrópiát minimalizáljuk: {A}, {A,B}, Határozzuk meg a szabály következményét a szabály által lefedett esetek többségi osztályát véve. RIPPER algoritmus: Induljunk ki az üres szabályból : {} => osztály. Bővítsük úgy, hogy a FOIL-féle információ nyereséget maximalizáljuk: R0: {} => osztály (kezdeti szabály) R1: {A} => osztály (szabály a bővítés után) Nyereség(R0, R1) = t [ log (p1/(p1+n1)) log (p0/(p0 + n0)) ], ahol t: R0 és R1 által lefedett pozitív esetek száma, p0: R0 által lefedett pozitív esetek száma, n0: R0 által lefedett negatív esetek száma, p1: R1 által lefedett pozitív esetek száma, n1: R1 által lefedett negatív esetek száma.

21 Eset kizárás Miért van szükség eset kizárásra? Különben a következő szabály megegyezik az előzővel. Miért töröljünk pozitív eseteket? Biztosítsuk a következő szabály különbözőségét. Miért töröljünk negatív eseteket? Megelőzzük a szabály pontosságának alulbecslését. Hasonlítsuk össze az R2 és R3 szabályokat az ábrán. class = + class = - R1 R3 R

22 Szabály kiértékelés Mérőszámok: Pontosság n c n Laplace M-becslés n 1 c n k n kp c n k n : a szabály által lefedett esetek száma n c : a szabály által lefedett pozitív esetek száma k : osztályok száma p : a pozitív eset apriori valószínűsége

23 Leállási feltétel és szabály tisztítás Leállási feltétel Számoljuk ki a nyereséget. Ha a nyereség nem szignifikáns, akkor dobjuk el az új szabályt. Szabály tisztítás Hasonló döntési fák utó-tisztításához. Hiba csökkentés tisztítással: Hagyjunk el a szabályból egy kifejezést. Hasonlítsuk össze a tisztítás előtti és utáni hibát az ellenőrző adatállományon. Ha a hiba javul, akkor tisztítsunk a kifejezés elhagyásával.

24 A közvetlen módszer vázlata Építsünk egy egyszerű szabályt. Távolítsunk el eseteket a szabály alapján. Egyszerűsítsük a szabályt (ha szükséges). Adjuk hozzá a szabályt az aktuális szabály halmazhoz. Ismételjük a fenti lépéseket.

25 Közvetlen módszer: RIPPER Bináris feladat esetén válasszuk pozitív osztálynak az egyik és negatív osztálynak a másik osztályt. Tanítsunk szabályokat a pozitív osztályra. Legyen a negatív osztály az alapértelmezett osztály. Több osztályos feladat esetén: Rendezzük az osztályokat növekvő osztály gyakoriság szerint (azoknak az eseteknek az aránya, melyek egy osztályhoz tartoznak). Először tanítsunk egy szabály halmazt a legkisebb osztályra, kezeljük a maradékot negatív osztályként. Ismételjük meg a következő legkisebb osztállyal mint pozitív osztály.

26 Közvetlen módszer: RIPPER Szabály építés: Induljunk ki az üres szabályból. Bővítsük addig míg a FOIL információ nyereség javul. Álljunk meg amikor a szabály tovább már nem fedi le a negatív eseteket. Közvetlenül tisztítsuk a szabályt járulékos hiba tisztítással. A tisztítás mérőszáma: v = (p-n)/(p+n) p: a szabály által lefedett pozitív esetek száma az ellenőrző adatállományban, n: a szabály által lefedett negatív esetek száma az ellenőrző adatállományban. Tisztítási módszer: töröljük a feltételek olyan véges sorozatát, amely maximalizálja v-t.

27 Közvetlen módszer: RIPPER Szabály halmaz építése: Használjunk szekvenciálisan lefedő algoritmust. Keressük meg azt a legjobb szabályt, amely lefedi a pozitív esetek aktuális halmazát. Elimináljuk a szabály által lefedett pozitív és negatív eseteket. Mindig mikor egy szabállyal bővítjük a szabály halmazt számoljuk ki az új leíró hosszt. Álljunk le az új szabály hozzáadásával, ha annak leíró hossza d bittel nagyobb mint az eddig kapott legkisebb leíró hossz.

28 Közvetlen módszer: RIPPER Optimalizáljuk a szabályhalmazt: Az R szabályhalmaz minden r szabályára Tekintsünk 2 alternatív szabályt: Helyettesítő szabály (r*): építsünk új szabályt elölről. Módosított szabály (r ): bővítsünk az r kiterjesztésével. Hasonlítsuk össze az r szabályhalmazt az r* és r szabályhalmazokkal. Válasszuk azt a a szabályhalmazt, amely minimális lesz az MDL elv alapján. Ismételjük a szabály generálást és optimalizálást a fennmaradó pozitív esetekre.

29 Közvetett módszerek P Q No Yes R Rule Set No Yes No Yes Q No Yes - + r1: (P=No,Q=No) ==> - r2: (P=No,Q=Yes) ==> + r3: (P=Yes,R=No) ==> + r4: (P=Yes,R=Yes,Q=No) ==> - r5: (P=Yes,R=Yes,Q=Yes) ==> +

30 Közvetett módszerek: C4.5 szabályok Nyerjünk ki szabályokat egy tisztítatlan (teljes) döntési fából. Minden r: A y szabályra Tekintsünk egy r : A y alternatív szabályt, ahol A -t úgy kapjuk, hogy A-ból törlünk egy kifejezést. Hasonlítsuk össze az r és az összes r pesszimista hiba rátáját. Tisztítsunk amennyiben egy r -nek kisebb a pesszimista hiba rátája. Ismételjük amíg már nem tudjuk javítani az általánosítási hibát.

31 Közvetett módszer: C4.5 szabályok A szabályok rendezése helyett rendezzük szabályok részhalmazait (osztály rendezés). Minden részhalmaz szabályoknak egy olyan összessége, melynek következménye ugyanaz (osztály). Számoljuk ki minden részhalmaz leíró hosszát. Leíró hossz = L(error) + g L(model), g egy olyan paraméter, amely figyelembe veszi a szabályhalmazban lévő redundáns attributumokat (alapérték = 0.5).

32 Példa Name Give Birth Lay Eggs Can Fly Live in Water Have Legs Class human yes no no no yes mammals python no yes no no no reptiles salmon no yes no yes no fishes whale yes no no yes no mammals frog no yes no sometimes yes amphibians komodo no yes no no yes reptiles bat yes no yes no yes mammals pigeon no yes yes no yes birds cat yes no no no yes mammals leopard shark yes no no yes no fishes turtle no yes no sometimes yes reptiles penguin no yes no sometimes yes birds porcupine yes no no no yes mammals eel no yes no yes no fishes salamander no yes no sometimes yes amphibians gila monster no yes no no yes reptiles platypus no yes no no yes mammals owl no yes yes no yes birds dolphin yes no no yes no mammals eagle no yes yes no yes birds

33 Összevetés: C4.5, C4.5 szabályok, RIPPER Give Birth? C4.5rules: (Élveszülő=Nem, Tud úszni=igen) Madár Yes No (Élveszülő=Nem, Vízben él=igen) Hal (Élveszülő=Igen) Emlős Mammals Live In Water? (Élveszülő=Nem, Tud repülni=nem, Vízben él=nem) Hüllő ( ) Kétéltű Yes No RIPPER: (Vízben él=igen) Hal Sometimes (Van lába=nem) Hüllő Fishes Amphibians Can Fly? (Élveszülő=Nem, Tud repülni=nem, Vízben él=nem) Hüllő (Tud repülni=igen, Élveszülő=Nem) Madár Yes No () Emlős Birds Reptiles

34 Összevetés: C4.5, C4.5 szabályok, RIPPER C4.5 és C4.5 szabályok: Jósolt osztály Kétéltű Hal Hüllő Madár Emlős Valódi Kétéltű osztály Hal Hüllő Madár RIPPER: Emlős Jósolt osztály Kétéltű Hal Hüllő Madár Emlős Valódi Kétéltű osztály Hal Hüllő Madár Emlős

35 Osztályozási szabályok előnyei Legalább annyira kifejezőek mint a döntési fák. Könnyen interpretálhatóak. Könnyen generálhatóak. Gyorsan osztályozhatóak általuk az új esetek. Hatékonyságuk összevethető a döntési fákéval.

36 Eset alapú osztályozók Set of Stored Cases Atr1... AtrN Class A B B C A C B Letároljuk a tanító rekordokat A tanító rekordokat használjuk az új esetek osztályainak előrejelzésére Unseen Case Atr1... AtrN

37 Eset alapú osztályozók Példák: Rote tanuló algoritmusa A teljes tanító adatállományt memorizálja, és csak akkor hajtja végre az osztályozást, ha az új rekord attributum értékei pontosan illeszkednek egy tanító esetre. Legközelebbi szomszéd Használjuk a k,,legközelebbi pontot (legközelebbi szomszédok) az osztályozás végrehajtására.

38 Legközelebbi szomszéd osztályozók Alapgondolat: Ha valami úgy totyog mint egy kacsa, úgy hápog mint egy kacsa, akkor az valószínűleg egy kacsa. Számoljuk ki a távolságot Teszt rekord Tanító rekordok Válasszuk ki a k,,legközelebbi rekordot

39 Legközelebbi szomszéd osztályozók Unknown record Három dolog szükséges Rekordok egy halmaza A rekordok közötti távolság számolására szolgáló metrika A k szám, a meghatározandó legközelebbi szomszédok száma Egy új rekord osztályozása: Számoljuk ki a távolságot a többi tanító rekordtól. Határozzuk meg a k legközelebbi szomszédot. Hsználjuk a legközelebbi szomszédok osztálycimkéit az új rekord besorolására (pl. többségi szavazást véve).

40 A legközelebbi szomszéd definíciója X X X (a) 1-nearest neighbor (b) 2-nearest neighbor (c) 3-nearest neighbor Az x rekord k legközelebbi szomszédja azok a rekordok, melyek távolsága x-től a k legkisebb távolság.

41 1 legközelebbi szomszéd Voronoi diagram

42 Legközelebbi szomszéd osztályozók Számoljuk ki két pont távolságát: Euklideszi távolság d( p, q) A legközelebbi szomszédok alapján határozzuk meg az osztályt: Vegyük a többségi osztályt a k szomszéd közül. Súlyozzuk a szavazatokat a távolságnak megfelelően. súly: w = 1/d 2 i ( p q i i ) 2

43 Legközelebbi szomszéd osztályozók A k érték megválasztása: Ha k túl kicsi, akkor a módszer érzékeny a hibás rekordokra. Ha k túl nagy, akkor a szomszédság más osztálybeli pontokat is tartalmazhat. X

44 Legközelebbi szomszéd osztályozók Skálázási szempontok Az attributumokat átskálázhatjuk így előzve meg azt, hogy egy attributum dominálja a távolságot. Példa: Egy személy magassága 1.5m és 1.8m között van. Egy személy súlya 90lb és 300lb között van. Egy személy bevétele $10K és $1M között van.

45 Legközelebbi szomszéd osztályozók Problémák az euklideszi távolsággal: Sok dimenziós adatok dimenzió probléma A természetes szemlélettel ellenkező eredményt is adhat vagy d = d = Megoldás: Normalizáljuk a vektorokat!

46 Legközelebbi szomszéd osztályozók A legközelebbi szomszéd osztályozók lusta tanuló algoritmusok. Nem építenek explicit modelleket. Mások mint a mohó tanító algoritmusok, ld. döntési fák és osztályozási szabályok. Az új rekordok osztályozása viszonylag költséges.

47 Példa: PEBLS PEBLS: Párhuzamos példa alapú tanuló rendszer (Parallel Examplar-Based Learning System, Cost & Salzberg) Egyaránt működik folytonos és kategórikus változókkal. Kategórikus változóknál két érték távolságát a módosított értékek differenciája metrikával (MVDM) számoljuk. Minden rekordhoz egy súlyt rendel. A legközelebbi szomszédok száma: k = 1.

48 10 Példa: PEBLS Osztály Családi állapot Családi állapot Nőtlen Házas Elvált Igen Csalás 1 Igen Nőtlen 125K Nem 2 Nem Házas 100K Nem 3 Nem Nőtlen 70K Nem 4 Igen Házas 120K Nem 5 Nem Elvált 95K Igen 6 Nem Házas 60K Nem 7 Igen Elvált 220K Nem 8 Nem Nőtlen 85K Igen 9 Nem Házas 75K Nem 10 Nem Nőtlen 90K Igen Tid Visszatérítés Jövedelem Osztály Két kategórikus érték távolsága: d(nőtlen,házas) = 2/4 0/4 + 2/4 4/4 = 1 d(nőtlen,elvált) = 2/4 1/2 + 2/4 1/2 = 0 d(házas,elvált) = 0/4 1/2 + 4/4 1/2 = 1 d(visszatérítés=igen,visszatérítés=nem) = 0/3 3/7 + 3/3 4/7 = 6/7 Visszatérítés Igen Nem Igen 0 3 d( V1, V2 ) n 1i n i 1 n n 2i 2 Nem Nem 3 4

49 10 Példa: PEBLS Családi állapot Tid Visszatérítés Jövedelem Csalás X Igen Nőtlen 125K Nem Y Nem Házas 100K Nem Az X és Y rekordok közötti távolság: ahol: w X ( X, Y ) w X w Y d i1 d( X i, Y Azon esetek száma, ahol X - t használjuk Azon esetek száma, ahol X helyesen prediktál i 2 ) w X 1 ha X az esetek többségében pontos előrejelzést ad w X > 1 ha X nem ad megbízható előrejelzést

50 Bayes osztályozó Egy valószínűségszámítási módszer osztályozási problémák megoldására. Feltételes valószínűség: Bayes tétel: ) ( ) ( ) ( ) ( A P C P C A P A C P ) ( ), ( ) ( ) ( ), ( ) ( C P A C P C A P A P A C P A C P

51 Példa a Bayes tételre Adottak: Az orvosok tudják, hogy az agyhártyagyulladás az esetek 50%-ban nyakfájást okoz. Annak valószínűsége, hogy egy páciensnek agyhártyagyulladása van 1/ Annak valószínűsége, hogy egy páciensnek nyakfájása van 1/20. Ha egy páciensnek nyakfájása van, akkor mi annak a valószínűsége, hogy agyhártyagyulladásban szenved? P( S M ) P( M ) 0.51/ P( M S) P( S) 1/

52 Bayes osztályozók Tekintsük valószínűségi változónak az összes attributumot és a cél (osztály) változót. Legyen adott egy rekord az (A 1, A 2,,A n ) attributumértékekkel A cél a C osztályozó változó előrejelzése. Azt az értékét keressük C-nek, amely maximalizálja P(C A 1, A 2,,A n )-t. Tudjuk-e közvetlenül becsülni P(C A 1, A 2,,A n )-t az adatokból?

53 Bayes osztályozók Megközelítés: Számoljuk ki a P(C A 1, A 2,, A n ) poszteriori valószínűséget minden C értékre a Bayes tétellel. P( C A A 1 2 A ) P( A1 A2 An C) P( C) P( A A A ) Válasszuk azt a C értéket, amely maximalizálja P(C A 1, A 2,, A n )-t. Ekvivalens annak a C értéknek megtalálásával, mely maximalizálja P(A 1, A 2,, A n C) P(C)-t. Hogyan becsüljük P(A 1, A 2,, A n C )-t? n 1 2 n

54 Bayes osztályozók Tételezzünk fel függetlenséget az A i attributumok között ha az osztály adott: P(A 1, A 2,, A n C) = P(A 1 C j ) P(A 2 C j ) P(A n C j ) Az P(A i C j ) valószínűséget becsülhetjük minden A i és C j esetén. Egy új rekord a C j osztályba kerül ha a P(C j ) P(A i C j ) maximális.

55 10 Hogyan becsüljünk valószínűséget? Tid Visszatérítés Családi állapot Adóköteles jövedelem Csalás 1 Igen Nőtlen 125K Nem 2 Nem Házas 100K Nem 3 Nem Nőtlen 70K Nem 4 Igen Házas 120K Nem 5 Nem Elvált 95K Igen 6 Nem Házas 60K Nem 7 Igen Elvált 220K Nem 8 Nem Nőtlen 85K Igen 9 Nem Házas 75K Nem 10 Nem Nőtlen 90K Igen Osztály: P(C) = N c /N Pl. P(Nem) = 7/10 P(Igen) = 3/10 Diszkrét attributumokra: P(A i C k ) = A ik / N c ahol A ik azon esetek száma, ahol az A i attributumérték fordult elő és a C k osztályba tartoznak. Példák: P(Állapot=Házas Nem) = 4/7 P(Visszatérítés=Igen Igen)=0 k

56 Hogyan becsüljünk valószínűséget? Folytonos attributumokra: Diszkretizáljunk résztartományokra osztva: egy sorrendi attributum értéket rendelünk részenként, megsérti a függetlenségi feltételezést. Bináris vágás: (A < v) vagy (A > v) válasszuk a két ág egyikét mint új attributumot. Valószínűségi sűrűségbecslés: Tegyük fel, hogy az attributum normális eloszlású. Használjuk az adatokat az eloszlás paramétereinek becslésére (pl. átlag és szórás). Ha ismert a valószínűségi eloszlás, akkor használhatjuk a P(A i c) feltételes valószínűség becslésére.

57 10 Hogyan becsüljünk valószínűséget? Tid Visszatérítés Családi állapot Adóköteles jövedelem Csalás 1 Igen Nőtlen 125K Nem 2 Nem Házas 100K Nem 3 Nem Nőtlen 70K Nem 4 Igen Házas 120K Nem Normális eloszlás: P( A i c j ) minden (A i,c i ) párra ij e ( A i ) 2 ij 2 ij 2 5 Nem Elvált 95K Igen 6 Nem Házas 60K Nem 7 Igen Elvált 220K Nem 8 Nem Nőtlen 85K Igen 9 Nem Házas 75K Nem 10 Nem Nőtlen 90K Igen (Jövedelem, Osztály=Nem): Ha Osztály=Nem minta átlag = 110 minta variancia = 2975 P( Jövedelem 120 Nem) 1 2 (54.54) e (120110) 2(2975)

58 Példa naív Bayes osztályozóra Adott az alábbi teszt rekord: X ( Visszatérítés Nem, Házas,Jövedelem 120K) naive Bayes Classifier: P(Refund=Yes No) = 3/7 P(Refund=No No) = 4/7 P(Refund=Yes Yes) = 0 P(Refund=No Yes) = 1 P(Marital Status=Single No) = 2/7 P(Marital Status=Divorced No)=1/7 P(Marital Status=Married No) = 4/7 P(Marital Status=Single Yes) = 2/7 P(Marital Status=Divorced Yes)=1/7 P(Marital Status=Married Yes) = 0 P(X Osztály=Nem) = P(Vtér=Nem Osztály=Nem) P(Házas Osztály=Nem) P(Jöv=120K Osztály=Nem) = 4/7 4/ = P(X Osztály=Igen) = P(Vtér=Nem Osztály=Igen) P(Házas Osztály=Igen) P(Jöv=120K Osztály=Igen) = = 0 For taxable income: If class=no: sample mean=110 sample variance=2975 If class=yes: sample mean=90 sample variance=25 Mivel P(X Nem)P(Nem) > P(X Igen)P(Igen) ezért P(Nem X) > P(Igen X) => Osztály = Nem

59 Bayes osztályozó Ha a feltételes valószínűségek egyike 0, akkor az egész kifejezés 0. Valószínűségi becslés: Eredeti : P( A Laplace : P( A i i C) C) m - estimate: P( A i N N ic c N N ic c C) 1 c N N ic c mp m c: osztályok száma p: prior valószínűség m: paraméter

60 Példa naív Bayes osztályozóra Name Give Birth Can Fly Live in Water Have Legs Class human yes no no yes mammals python no no no no non-mammals salmon no no yes no non-mammals whale yes no yes no mammals frog no no sometimes yes non-mammals komodo no no no yes non-mammals bat yes yes no yes mammals pigeon no yes no yes non-mammals cat yes no no yes mammals leopard shark yes no yes no non-mammals turtle no no sometimes yes non-mammals penguin no no sometimes yes non-mammals porcupine yes no no yes mammals eel no no yes no non-mammals salamander no no sometimes yes non-mammals gila monster no no no yes non-mammals platypus no no no yes mammals owl no yes no yes non-mammals dolphin yes no yes no mammals eagle no yes no yes non-mammals Give Birth Can Fly Live in Water Have Legs Class yes no yes no? A: attributumok M: emlősök N: nem emlősök P( A M ) P( A N) P( A M ) P( M ) P( A N) P( N) P(A M)P(M) > P(A N)P(N) => emlős

61 Összegzés: Naív Bayes Robusztus izolált hibás pontokra. Kezeli a hiányzó értékeket a valószínűségek becslésénél ezen esetek figyelmen kívül hagyásával. Robusztus az irreleváns attributumokra. A függetlenségi feltétel nem teljesül egyes attributumokra. Használjunk más módszereket, Bayes hálók (Bayesian Belief Networks, BBN).

62 Mesterséges neurális hálók (ANN) X 1 X 2 X 3 Y Input X 1 X 2 X 3 Black box Output Y Az Y output 1 ha a három input közül legalább kettő 1.

63 Mesterséges neurális hálók (ANN) X 1 X 2 X 3 Y Input nodes X 1 X 2 X 3 Black box t=0.4 Output node Y Y I( 0.3X1 0.3X 2 0.3X ) 1 ha z igaz ahol I( z) 0 egyébként

64 Mesterséges neurális hálók (MNH) A modell egymással összekötött csúcsok és súlyozott élek együttese. Input nodes X 1 Black box w 1 Output node Az output csúcs összegzi az hozzátartozó input értékeket az éleken lévő súlyok szerint. Vessük össze az output csúcsban kapott értéket egy t küszöb számmal. X 2 X 3 Y w 2 w 3 Perceptron modell Y I( w X t) i i sign( w X t) i i i t i Y vagy

65 A MNH általános szerkezete x 1 x 2 x 3 x 4 x 5 Input Layer Input Neuron i Output Hidden Layer I 1 I 2 I 3 w i1 w i2 w i3 S i Activation function g(s i ) O i O i threshold, t Output Layer Egy MNH tanítása a neronjai súlyának meghatározását jelenti. y

66 Algoritmus MNH tanítására Inicializáljuk a (w 0, w 1,, w k ) súlyokat. Módosítsuk úgy a súlyokat, hogy az MNH outputja minél jobban egyezzen meg a tanító esetek osztály címkéivel. Célfüggvény: E Határozzuk meg azon w i súlyokat, amelyek minimalizálják a fenti célfüggvényt. Pl. hiba visszacsatolás algoritmusa. i Y f ( w, X ) 2 i i i

67 Támasz vektorgépek (SVM) Keressünk olyan hipersíkot (döntési határ), amely elválasztja az adatokat.

68 Támasz vektorgépek (SVM) B 1 Egy lehetséges megoldás.

69 Támasz vektorgépek (SVM) B 2 Egy másik lehetséges megoldás.

70 Támasz vektorgépek (SVM) B 2 További lehetséges megoldások.

71 Támasz vektorgépek (SVM) B 1 B 2 Melyik a jobb? B1 vagy B2? Hogyan definiálhatjuk a jobb fogalmát?

72 Támasz vektorgépek (SVM) B 1 B 2 b 21 b 22 margin b 11 Keressük azt a hipersíkot, mely maximalizálja a margót => B1 jobb mint B2. b 12

73 Támasz vektorgépek (SVM) B 1 w x b 0 w x w x b 1 b 1 b 11 1 if w x b 1 ( x) 1 if w x b 1 f 2 b 12 2 Margó w

74 Támasz vektorgépek (SVM) Maximalizálni akarjuk: Margin Ez ekvivalens minimalizálni: 2 w 2 L( w) w 2 2 De eleget kell tenni a következő kényszereknek: 1 if w xi b 1 f ( x i ) 1 if w xi b 1 Ez kényszerfeltétel melletti optimalizációs feladat. Numerikus módszerek (pl. kvadratikus programozás).

75 Támasz vektorgépek (SVM) Mi van ha a feladat nem lineárisan szeparálható?

76 Támasz vektorgépek (SVM) Mi van ha a feladat nem lineárisan szeparálható? Vezessünk be lötyögő változókat Minimalizálni kell: Kényszerfeltételek: i i i i 1 b x w if 1 1- b x w if 1 ) ( x i f N i k i C w w L ) (

77 Nemlineáris támasz vektorgépek Mi van ha a döntési határ nem lineáris?

78 Nemlineáris támasz vektorgépek Transzformáljuk az adatokat egy magasabb dimenziójú térbe (kernel trükk).

79 Együttes módszerek Osztályozók egy halmazát hozzuk létre a tanító állományon. Egy új rekord osztályát úgy jelezzük előre, hogy a sok osztályozó által kapott előrejelzéseket összesítjük.

80 Általános ötlet D Original Training data Step 1: Create Multiple Data Sets... D 1 D 2 D t-1 D t Step 2: Build Multiple Classifiers C 1 C 2 C t -1 C t Step 3: Combine Classifiers C *

81 Miért működhet? Tegyük fel, hogy adott 25 egyszerű osztályozónk. Minden osztályozó hibája = Tegyük fel, hogy az osztályozók függetlenek. Annak valószínűsége, hogy az együttes osztályozó hibás döntést hoz: 25 i13 25 i (1 ) i 25 i 0.06

82 Példák együttes módszerekre Hogyan hozhatjuk létre osztályozók együttesét? Bagging (bootstrap aggregating) Boosting (gyorsítás)

83 Bagging Visszatevéses mintavétel Original Data Bagging (Round 1) Bagging (Round 2) Bagging (Round 3) Minden bootstrap mintán építsünk fel egy osztályozót. Minden egyes rekordot (1 1/n) n valószínűséggel választunk ki.

84 Boosting (gyorsítás) Egy olyan iteratív eljárás, amely a tanító rekordok eloszlását adaptívan változtatva a korábban tévesen osztályozott rekordokra fókuszál. Kezdetben mind az összes N rekord egyenlő súlyt kap. A bagging-gel szemben a súlyok változhatnak egy iterációs ciklus befejeztével.

85 Boosting (gyorsítás) A rosszul osztályozott rekordoknak nőni fog a súlya. A helyesen osztályozott rekordoknak csökkenni fog a súlya. Original Data Boosting (Round 1) Boosting (Round 2) Boosting (Round 3) A 4. rekordot nehéz osztályozni A súlya nő, ezért nagyobb eséllyel választjuk ki ismét a következő körökben.

86 Példa: AdaBoost Alap osztályozók: C 1, C 2,, C T Hiba ráta: Az osztályozó fontossága: N j j j i j i y x C w N 1 ) ( 1 i i i 1 ln 2 1

87 Példa: AdaBoost A súlyok frissítése: w ( j1) i ahol Z Ha bármelyik közbenső körben a hiba 50% fölé megy, akkor a súlyok visszaállnak 1/n-re, és a mintavételi folyamat megismétlődik. Osztályozás: j ( j) j w exp ha ( ) i C j xi j Z j exp ha C j ( xi ) egy normalizáló tényezőt C *( x) arg max C y T j1 y y j i i,, j ( x) y

88 Az AdaBoost szemléltetése A minta pontok kezdeti súlyai Tanítási pontok Original Data B Boosting Round =

89 Az AdaBoost szemléltetése Boosting Round Boosting B B Round = = Boosting Round B3 = Overall